多时相AVHRR数据的傅立叶分析

doi:10.7523/j.issn.2095-6134.2003.1.010

中国科学院大学学报 ›› 2003, Vol. 20 ›› Issue (1): 62-68.DOI: 10.7523/j.issn.2095-6134.2003.1.010

多时相AVHRR数据的傅立叶分析

郑玉坤¹, 庄大方²

1. 中国科学院遥感应用研究所, 北京 100101;
2. 中国科学院地理科学与资源研究所, 北京 100101

收稿日期:2002-04-15 修回日期:2002-07-05 发布日期:2003-01-18
基金资助:
中国科学院创新项目“数据库与系统总体(KZ992201)”基金资助

Fourier Analysis of Multi-Temporal AVHRR Data

Zheng Yukun¹, Zhuang Dafang²

1. Institute of Remote Sensing Applications, CAS, Beijing 100101, China;
2. Institute of Geography Science and Resource Research, CAS, Beijing 100101, China

Received:2002-04-15 Revised:2002-07-05 Published:2003-01-18

摘要/Abstract

摘要：

傅立叶分析(Fourier Analysis)是一种常用的信号处理方法.将中国全年36旬的NO-AA-AVHRR的1km数据采用最大值合成法获得12个月的NDVI时间序列数据,然后运用离散傅立叶变换检测该时间信号的频率分布状况.结果各频率分量与NDVI的累加值及不同周期的季节性变化等生物学特征相关.其中零频率分量为均值NDVI,而1/12频率分量最大程度概括了中国地表覆盖类型的全年季节性变化模式.将提取出的这些生物学特征引入到地表覆盖分类的特征空间中,提高了类别间的可分性.这些研究表明了傅立叶变换是分析多时相AVHRR数据及提取植被的生物学特征的有用工具.

关键词: 傅立叶变换, NOAAAVHRR, 可分性

Abstract:

Fourier transform is presented and applied to monthly composited NDVI data over one year derived from NOAA AVHRR to examine the frequency distribution of the multi temporal signal. It is shown that frequencies of the time series of NDVI are linked to integrated NDVI and seasonal variabilities of different periods of the land cover types. The zero frequency component, or mean NDVI, indicates overall productivity. The 1/12 month^-1 frequency component summarizes the relative dominance of annual habit of land cover types over China. The introduction of these characteristic phenology parametersextracted from time series of NDVI into feature space improves the separabilities based on Bhattacharya Distances for land cover types. This research indicates that Fourier transform provides a useful tool for handling temporal sequences of AVHRR data and studying the vegetation phenology.

Key words: Fourier transform, NOAA-AVHRR, separability

中图分类号:

TP75

郑玉坤, 庄大方. 多时相AVHRR数据的傅立叶分析[J]. 中国科学院大学学报, 2003, 20(1): 62-68.

Zheng Yukun, Zhuang Dafang. Fourier Analysis of Multi-Temporal AVHRR Data[J]. , 2003, 20(1): 62-68.

[1]	孟曦婷, 计璐艳, 赵永超, 杨炜暾. 基于深度学习的多尺度导弹发射井目标检测[J]. 中国科学院大学学报, 2021, 38(6): 800-808.
[2]	杨帅, 计璐艳, 耿修瑞. 基于滤波张量分析的高光谱目标检测方法[J]. 中国科学院大学学报, 0, (): 1-2.
[3]	王晓辉, 胡玉新, 吕鹏. 基于显著图融合的高分四号卫星光学遥感图像多运动舰船检测方法[J]. 中国科学院大学学报, 2021, 38(5): 649-659.
[4]	席彦新, 计璐艳, 耿修瑞. 一种多时相遥感图像多目标检测算法[J]. 中国科学院大学学报, 2021, 38(4): 503-510.
[5]	王树立, 唐海蓉, 计璐艳. 勺型网络：用于 Landsat 遥感图像云检测的新型网络^*[J]. 中国科学院大学学报, 0, (): 69-69.
[6]	古煜民, 阎福礼. 基于不同骨架UNet++网络的建筑物提取^*[J]. 中国科学院大学学报, 0, (): 81-81.
[7]	王为家, 耿修瑞. 基于约束误差不变的高光谱图像端元优化模型[J]. 中国科学院大学学报, 0, (): 21538-21538.
[8]	张政, 李世强. 基于AdaBoost改进随机森林和SVM的极化SAR地物分类^*[J]. 中国科学院大学学报, 0, (): 550-550.
[9]	张梓琪, 王小龙. 一种基于显著性的高海况SAR图像船舶目标检测方法^*[J]. 中国科学院大学学报, 0, (): 91-91.
[10]	黄萍萍, 王峰, 向俞明, 尤红建. 基于V-CSK视频遥感卫星运动目标检测跟踪方法[J]. 中国科学院大学学报, 2021, 38(3): 392-401.
[11]	张苏, 齐立忠, 韩文军, 朱笑笑, 习晓环, 王成, 王濮, 聂胜. 基于无人机激光点云的树障检测与砍伐树木数量估算[J]. 中国科学院大学学报, 2020, 37(6): 760-766.
[12]	陈国炜, 刘磊, 郭嘉逸, 潘宗序, 胡文龙. 基于生成对抗网络的半监督遥感图像飞机检测[J]. 中国科学院大学学报, 2020, 37(4): 539-546.
[13]	石悦, 王宏琦, 郭新毅. 基于丰度分布约束的NMF端元生成方法[J]. 中国科学院大学学报, 2020, 37(4): 547-552.
[14]	孙国庆, 陈方, 于博, 王宁. 2001—2017年尼泊尔中部地区滑坡变化及其影响因素[J]. 中国科学院大学学报, 2020, 37(3): 308-316.
[15]	卢凯旋, 李国清, 陈正超, 昝露洋, 李柏鹏, 高建威. 基于负样本多通道优化SSD网络的钢铁厂提取[J]. 中国科学院大学学报, 2020, 37(3): 352-359.

多时相AVHRR数据的傅立叶分析

Fourier Analysis of Multi-Temporal AVHRR Data

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们